基于自适应采样与Dense机制的颅内动脉瘤血管多结构分割

作     者：张栩阳 姚韵楚 石悦 佟鑫 梁昕语 童薪宇 刘爱华 陈端端 ZHANG Xuyang;YAO Yunchu;SHI Yue;TONG Xin;LIANG Xinyu;TONG Xinyu;LIU Aihua;CHEN Duanduan

作者机构：北京理工大学生命学院北京100081 应脉医疗科技(上海)有限公司上海200120 首都医科大学附属北京天坛医院神经介入中心北京100070 北京理工大学医学技术学院北京100081 

基　　金：北京市自然科学基金(Z190014,L192010) 国家重点研发计划(2018AAA0102600) 

出 版 物：《数据采集与处理》 (Journal of Data Acquisition and Processing)

年 卷 期：2022年第37卷第4期

页      码：766-775页

摘      要：颅内动脉瘤是一种具有较高致死和致残率的常见脑血管疾病。近年来,临床对基于影像的智能化和精准化的疾病诊断策略提出了迫切需求,其中血管及病灶的精准分割是其重要基础。本文提出了一种新型的颅内动脉瘤血管多结构分割框架,利用血管先验灰度特征建立了自适应的数据采样方法,并设计了一种基于Dense机制的深度网络模型实现血管分割。本文收集了135例颅内动脉瘤患者(年龄分布:54.7±12.7岁,75名男性)的飞行时间磁共振血管影像进行模型的训练和测试。相比于原空间采样和图像压缩方法(平均Dice相似性系数:0.829和0.780),自适应采样方法可以明显提升血管分割的精度(平均Dice相似性系数:0.858);与经典的3D UNet、SegNet和DeepLabV3+网络相比(平均Dice相似性系数:0.854,0.824和0.800),基于Dense机制的网络能够利用更少的计算资源实现更优的分割效果,对于不同位置和大小的动脉瘤也表现出良好的分割鲁棒性。

主 题 词：颅内动脉瘤 磁共振血管造影 血管分割 深度学习 自适应采样 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.16337/j.1004-9037.2022.04.006

馆 藏 号：203113832...